Aprendizagem de máquina para sistemas de localização em ambientes internos RFID

• Ano de defesa: 2022
• Autor(a) principal: Gomes, Eduardo Luis
• Orientador(a): Fonseca, Mauro Sergio Pereira
• Banca de defesa: Lazzaretti, André Eugênio , Fonseca, Anelise Munaretto , Pedrini, Hélio , Moraes, Igor Monteiro , Amorim, Marcelo Dias de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Curitiba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
• País: Brasil
• Palavras-chave em Português: Sistemas de identificação por radiofrequência; Aprendizado do computador; Algorítmos genéticos; Análise por agrupamento; Análise de regressão; Radio frequency identification system; Machine learning; Genetic algorithms; Cluster analysis; Regression analysis
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/29646

A localização de objetos em ambientes internos é uma tarefa desafiadora devido à ausência de contato físico ou campo de visão, à presença de materiais reflexivos, excesso de obstáculos e grande densidade de itens. Várias pesquisas propõem o uso da tecnologia Identificação por Rádio Frequência (RFID) e métodos de aprendizagem de máquina para a construção dos sistemas de localização. Entretanto, a utilização de um objeto como classe alvo torna a aprendizagem e predição lentas em ambientes de grande escala. Outra dificuldade frequentemente encontrada na utilização de métodos de aprendizagem de máquina, é a necessidade de treinamento de todas as posições das etiquetas mapeadas no ambiente. Este treinamento aumenta a complexidade no processo de implantação do sistema. Para contornar tais problemas, nós apresentamos nesta tese quatro novas abordagens de sistemas de localização para ambientes internos usando a tecnologia RFID e técnicas de aprendizagem de máquina. A primeira abordagem utiliza a classificação hierárquica dividindo o ambiente em regiões para reduzir a quantidade de classes no treinamento e predição dos classificadores. A segunda abordagem aplica o conceito de janela deslizante para extrair estaticamente novas características do atributo Indicador de Intensidade do Sinal Recebido (RSSI) e após treina o algoritmo regressor Floresta Aleatória fazendo o uso de etiquetas de referência para prever as coordenadas das etiquetas alvo. A terceira abordagem além de utilizar os conceitos de janela deslizante e etiquetas de referência também aplica a classificação hierárquica. A quarta abordagem aplica um algoritmo genético para identificar quais etiquetas de referência mais contribuem para a precisão do sistema. Um dos principais resultados obtidos foi uma precisão de 4,82 cm em ambiente com 7.000 etiquetas alvo, reduzindo em até 92,91% a média de erro de outras abordagens apresentadas na literatura, inclusive em cenários mais complexos de localização em ambientes internos. Outra contribuição principal da presente tese é a disponibilização pública de um conjunto de dados RFID para futuras pesquisas na área de localização indoor.